Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation
数据边界上的推断：用高斯过程处理模型依赖、重叠不足与外推AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主要用处理效应、反事实预测、中断时间序列和断点设计说明因果推断中的外推不确定性。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
数据边界上的推断：用高斯过程处理模型依赖、重叠不足与外推
- 研究问题
- 在协变量重叠不足或需要外推时，如何保留样本内同样合理、样本外预测却不同的模型所带来的反事实不确定性？
- 方法与思路
- 作者采用高斯过程对条件均值函数进行概率建模，指定协方差函数和高斯噪声，并提供自动选择超参数的 R 软件实现。
- 材料陈述的贡献
- 摘要称该方法可在外推区域扩大不确定区间，并以重叠不足的处理效应、中断时间序列和断点回归展示其用途。
- 阅读关注点
- 应核对核函数与超参数选择如何影响外推、区间的校准性质，以及各因果设计的识别假设是否由模型之外的信息支持。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出区间覆盖保证，高斯过程后验仍依赖核函数与噪声设定。
原文摘要
Many inferential tasks involve fitting models to observed data and predicting outcomes at new covariate values, requiring interpolation or extrapolation. Conventional methods select a single best-fitting model, discarding fits that were similarly plausible in-sample but would yield sharply different predictions out-of-sample. Gaussian Processes (GPs) offer a principled alternative. Rather than committing to one conditional expectation function, GPs deliver a posterior distribution over outcomes at any covariate value. This posterior effectively retains the range of models consistent with the data, widening uncertainty intervals where extrapolation magnifies divergence. In this way, the GP's uncertainty estimates reflect the implications of extrapolation on our predictions, helping to tame the "dangers of extreme counterfactuals" (King & Zeng, 2006). The approach requires (i) specifying a covariance function linking outcome similarity to covariate similarity, and (ii) assuming Gaussian noise around the conditional expectation. We provide an accessible introduction to GPs with emphasis on this property, along with a simple, automated procedure for hyperparameter selection implemented in the R package gpss. We illustrate the value of GPs for capturing counterfactual uncertainty in three settings: (i) treatment effect estimation with poor overlap, (ii) interrupted time series requiring extrapolation beyond pre-intervention data, and (iii) regression discontinuity designs where estimates hinge on boundary behavior.